ImageDeconvolve

ImageDeconvolve[image,ker]
使用核 ker 给出 image 的反卷积.

更多信息和选项更多信息和选项

  • 反卷积核可以是一个数值矩阵或一个图像,在任何维度上不能超过 image.
  • 核代表点扩散函数(PSF),它被假设是对图像中的模糊建模.
  • ImageDeconvolve[image,ker] 总是给出与 image 具有同样大小的实数类型的图像.
  • ImageDeconvolve 分别作用于图像中的每个通道.
  • 反卷积核必须有单个通道或具有与 image 同样数目的彩色通道.
  • 可以指定下列选项:
  • MaxIterations10使用的最大迭代次数
    Method"DampedLS"使用的方法
    Padding"Reversed"填充方法
  • 指定频谱反卷积方法的可能设置为:
  • "DampedLS"阻尼最小二乘,广义 Tikhonov 正则化
    "Tikhonov"Tikhonov 正则化方法
    "TSVD"截断奇异值分解
    "Wiener"Wiener 反卷积
  • 对于频谱反卷积方法,正则化参数(regularization parameter) p 可以以设置 Method->{"method",p} 给出. 对于所有元素之和为 1 的非负的反卷积核,正则化参数一般在范围 0 到 1 之间.
  • 设置 Method->{"method",{p1,p2,}} 下,每个颜色通道对应于各自的正则化参数.
  • 下列 Method 选项的设置指定了迭代的反卷积方法:
  • "Hybrid"TikhonovGolubKahan 双对角正则化
    "RichardsonLucy"RichardsonLucy 迭代反卷积
    "SteepestDescent"改进的残差范数最速下降
  • 方法总是返回非负的像素值.
  • 迭代反卷积方法通常给出比频谱方法更好的结果,但是计算更复杂. 默认情况下,使用迭代方法的预处理版. 可以通过设置 Method->{"method","Preconditioned"-> False} 禁用预处理,这会导致收敛更慢.
  • 经典的 RichardsonLucy 反卷积方法不使用预处理.
  • ImageDeconvolve 也支持迭代 方法,它实际上实现了迭代全变差正则化(total variation regularization)算法.
  • 以下子选项可用设置 Method->{"TotalVariation",subopt} 指定:
  • "NoiseModel""Gaussian"噪声模型
    "Regularization"Automatic正则化参数
  • 的可能设置为 .
  • 请注意 ImageDeconvolveImageConvolve 使用不同的 Padding 设置.
  • ImageDeconvolve 适用于 Image3D 对象.

背景
背景

  • ImageDeconvolve 执行反卷积运算,通常用于加强图像的局部细节或边缘. 反卷积是卷积的逆运算操作,但和卷积不同,它是非线性、病态且非唯一的.
  • 图像可能因为各种原因而模糊:照相机运动,物体运动,镜头缺陷,或者是由于天文图像中的大气湍流. 反卷积有时可被用于部分的逆转这些及其它不想要的卷积类图像操作造成的效果.
  • 被用于反卷积的核通常被称为点扩散函数(通常缩写为psf)并被假设是对试图去除的那种模糊的模型. 若点扩散函数和实际出现在图像中的模糊不匹配,反卷积将无法恢复细节并甚至可能增加假的细节. 此外,即使选择了有代表性的点扩散函数,反卷积可能依旧无法恢复原图的全部细节.
  • ImageDeconvolve 的逆运算操作是 ImageConvolve. 锐化是另一种简单的加强图像边缘的方法.
2010年引入
(8.0)
| 2012年更新
(9.0)
Translate this page: